基于Kinect深度图像的静态手势识别的研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 国内外研究现状 | 第10-11页 |
| 1.1.3 研究目的和意义 | 第11页 |
| 1.2 主要研究内容和组织结构 | 第11-15页 |
| 1.2.1 主要研究内容 | 第11-12页 |
| 1.2.2 组织结构 | 第12-15页 |
| 第2章 相关理论与技术 | 第15-27页 |
| 2.1 Kinect传感器相关理论 | 第15-18页 |
| 2.1.1 Kinect传感器 | 第15-16页 |
| 2.1.2 Kinect深度测量原理 | 第16-17页 |
| 2.1.3 Kinect深度图像获取 | 第17-18页 |
| 2.2 手势识别相关内容 | 第18-26页 |
| 2.2.1 基于佩带设备的手势识别 | 第18-20页 |
| 2.2.2 基于计算机视觉的手势识别 | 第20-25页 |
| 2.2.3 图像特征提取 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 手势图像预处理与分割 | 第27-39页 |
| 3.1 手势图像获取与分析 | 第27-28页 |
| 3.2 手势区域分割 | 第28-36页 |
| 3.2.1 场景深度图像处理 | 第29-33页 |
| 3.2.2 场景彩色图像处理 | 第33-36页 |
| 3.2.3 场景深度和彩色分割结合 | 第36页 |
| 3.3 手势分割结果与分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 手势区域特征提取 | 第39-47页 |
| 4.1 手势图像HOG特征 | 第39-43页 |
| 4.2 HOG特征提取算法实现 | 第43-45页 |
| 4.3 本章小结 | 第45-47页 |
| 第5章 手势图像的识别与分类 | 第47-53页 |
| 5.1 K近邻算法 | 第47-50页 |
| 5.1.1 K近邻概念 | 第48页 |
| 5.1.2 K近邻数学模型 | 第48-50页 |
| 5.1.3 K近邻关键问题 | 第50页 |
| 5.2 基于KNN算法的手势识别 | 第50-53页 |
| 第6章 手势识别系统和结果分析 | 第53-61页 |
| 6.1 系统实现平台介绍 | 第53-56页 |
| 6.1.1 硬件架构 | 第53-54页 |
| 6.1.2 软件开发平台 | 第54-56页 |
| 6.2 静态手势识别功能模块 | 第56-57页 |
| 6.3 实验结果分析 | 第57-61页 |
| 6.3.1 实验数据来源及分析 | 第57-58页 |
| 6.3.2 实验结果评价 | 第58-61页 |
| 第7章 结论与展望 | 第61-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读学位期间发表的论文 | 第71页 |
